Метод объектно-ориентированной классификации объектов подстилающей поверхности в задаче аэрокосмического мониторинга состояния импактных районов Арктики

Разработан метод распознавания типов поверхности Земли по космическим изображениям с использованием объектно-ориентированной классификации. Классификация включает в себя два этапа: 1) выделение объектов методом марковской стохастической сегментации; 2) контролируемая классификация полученных объектов. Метод протестирован на космических изображениях арктического пояса России, приведено сравнение с поточечной классификацией.

Литература

[1] Бондур В.Г., Воробьев В.Е. Космический мониторинг импактных районов Арктики // Исследование Земли из космоса. 2015. № 4. С. 3-24. DOI: 10.7868/S0205961415040028

[2] Бондур В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исследование Земли из космоса. 2014. № 1. С. 4-16. DOI: 10.7868/S0205961414010035

[3] Бондур В.Г. Космический мониторинг природных пожаров в России в условиях аномальной жары 2010 г. // Исследование Земли из космоса. 2011. № 3. C. 3-13.

[4] Бондур В.Г. Аэрокосмические методы и технологии мониторинга нефтегазоносных территорий и объектов нефтегазового комплекса // Исследование Земли из космоса. 2010. № 6. С. 3-17.

[5] Бондур В.Г., Гапонова М.В., Мурынин А.Б., Трекин А.Н. Модуль О обучения классификаторов для космических снимков низкого и высокого разрешения. Свидельство о государственной регистрации программы для ЭВМ № 2013614299. Дата государственной регистрации в Реестре программ для ЭВМ 29 апреля 2013 г.

[6] Игнатьев В.Ю., Мурынин А.Б., Трекин А.Н. Метод объектно-ориентированной классификации космических изображений для мониторинга импактных районов // Открытия и достижения науки: Сборник материалов международной научной конференции. 2015. С. 176-186.

[7] Blaschke T., Johansen K., Tiede D. Object-based image analysis for vegetation mapping and monitoring / Weng Q., ed. Advances in Environmental Remote Sensing: Sensors, Algorithms, and Applications. CRC Press, 2011. P. 241-272. DOI: 10.1201/b10599-13 URL: http://www.crcnetbase.com/doi/abs/10.1201/b10599-13

[8] Rougier S., Puissant A., Stumpf A., Lachiche N. Comparison of sampling strategies for object-based classification of urban vegetation from very high resolution satellite images // International Journal of Applied Earth Observation and Geoinformation. 2016. Vol. 51. P. 60-73.

[9] Vahidi H., Monabbati E. Contextual image classification approach for monitoring of agricultural land cover by support vector machines and Markov random fields // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2013. Vol. XL-1/W3 / SMPR 2013, 5-8 October 2013, Tehran, Iran.

[10] Burnett C., Dlaschke T. A multi-scale segmentation/object relationship modelling methodology for landscape analysis // Ecological Modelling. 2003. Vol. 168. No. 3. P. 233-249.

[11] Stankova H. Object-oriented classification of Landsat imagery and aerial photographs for land cover mapping // Proceedings - Symposium GIS Ostrava. 2010. 24-27 January 2010.

[12] Marangoz A.M., Oruc M., Karakis S., Sahin H. Comparison of pixel-based and object-oriented classification using Ikonos imagery for automatic building extraction - Safranbolu testfield // 5th Int. Symp. "Turkish-German Joint Geodetic Days". Berlin Technical University, 28-31 March 2006.

[13] Flanders D., Hall-Beyer M., Pereverzoff J. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction // Canadian Journal of Remote Sensing. 2003. Vol. 29. No. 4. P. 441-452.

[14] Verbeeck K., Van Orshoven J. External geo-information in the segmentation of VHR imagery improves the detection of imperviousness in urban neighborhoods // International Journal of Applied Earth Observation and Geoinformation. 2012. Vol. 18. No. 1. P. 428-435.

[15] Chen G., Hay G.J., Carvalho L.M.T., Wulder M.A. Object-based change detection // International Journal of Remote Sensing. 2012. Vol. 33. No. 14. P. 4434-4457. DOI: 10.1080/01431161.2011.648285 URL: http://www.tandfonline.com/doi/abs/10.1080/01431161.2011.648285

[16] Benz U.C., Hofmann P., Willhauck G., Lingenfelder I., Heynen M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information // ISPRS Journal of Photogrammetry and Remote Sensing. 2003. Vol. 58. No. 3-4. P. 239-258.

[17] Бондур В.Г. Основы аэрокосмического мониторинга окружающей среды. Курс лекций. М.: МИИГАиК, 2008. 546 с.

[18] Takahashi K., Kamagata N., Hara K. Object-oriented image analysis to extract landscape elements in urban fringes, Central Japan // Landscape and Ecological Engineering. 2013. Vol. 9. No. 2. P. 239-247. DOI: 10.1007/s11355-012-0202-7 URL: https://link.springer.com/article/10.1007/s11355-012-0202-7

[19] Besag J. On the statistical analysis of dirty pictures // Journal of the Royal Statistical Society. Series B. 1986. Vol. 48. No. 3. P. 259-302. URL: http://www.jstor.org/stable/2345426?seq=1#page_scan_tab_contents

[20] Srivastava S., Gupta M.R., Frigyik B.A. Bayesian quadratic discriminant analysis // Journal of Machine Learning Research. 2007. No. 8. P. 1277-1305. URL: http://jmlr.csail.mit.edu/papers/v8/srivastava07a.html

[21] Wu W., et al. Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data // Analytica Chimica Acta. 1996. Vol. 329. No. 3. P. 257-265. DOI: 10.1016/0003-2670(96)00142-0 URL: http://www.sciencedirect.com/science/article/pii/0003267096001420

[22] Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Trans. Syst. Man and Cybernetics. 1973. Vol. 3. No. 6. P. 610-621.